CN114847922A - 一种基于纤维束自动识别的脑年龄预测方法 - Google Patents
一种基于纤维束自动识别的脑年龄预测方法 Download PDFInfo
- Publication number
- CN114847922A CN114847922A CN202210481244.0A CN202210481244A CN114847922A CN 114847922 A CN114847922 A CN 114847922A CN 202210481244 A CN202210481244 A CN 202210481244A CN 114847922 A CN114847922 A CN 114847922A
- Authority
- CN
- China
- Prior art keywords
- brain
- fiber bundle
- age
- fiber
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Abstract
一种基于纤维束自动识别的脑年龄预测方法,针对现有基于体素提取白质特征来预测脑年龄的方法存在无法精准定位对年龄变化敏感的纤维束以及会造成纤维特性平均化的问题,将弥散张量成像图像通过纤维追踪算法得到全脑纤维束图,根据大脑白质图谱自动分割及识别出有解剖学意义的纤维束,再沿纤维束量化扩散指标,最后将扩散指标作为特征输入脑年龄预测模型,测试预测模型的准确度。本发明通过纤维束自动识别的方法提取张量值作为白质特征,构建脑年龄预测模型可以更好地反映衰老过程中白质纤维束微观结构的细微变化,找出衰老过程中变化敏感的纤维束。
Description
技术领域
本发明涉及医学图像处理和机器学习领域,尤其涉及一种基于纤维束自动聚类与标注的脑年龄预测方法。
背景技术
作为一种活体非侵入式的方法,核磁共振成像(MRI)技术已经被广泛应用于神经科学领域研究中,其在获取临床神经纤维结构信息和辅助了解大脑不同区域间的功能连接等方面发挥了极大的作用。大脑拥有非常好的可塑性,在人类整个生命周期中,大脑结构会由于生理发育、认知活动、疾病等因素的影响发生一定的变化。脑年龄预测框架使我们能够评估个人的大脑健康状况,如果预测的大脑年龄在预测的正常变化范围内,则可以认为个人的大脑是健康的。已有研究将脑年龄预测框架应用于各种神经系统疾病患者,例如阿尔茨海默症、轻度认知障碍、创伤性脑损伤和难治性癫痫,并发现预测的脑年龄明显比实际年龄大。因此,预测的脑年龄与实际年龄的差值被认为是判断大脑是否健康的潜在影像学标志物,可以识别大脑退化,并可能有助于早期神经退行性疾病的诊断。
目前的大脑年龄预测模型大多从T1加权图像中提取皮层体积、皮层厚度等灰质或整个大脑结构的特征。然而,已有研究表明,与灰质相比,白质纤维束的微观结构可能对衰老过程中的大脑细微变化更敏感。尽管白质微结构对脑年龄预测具有潜在价值,但只有少数研究试图从磁共振弥散张量成像(DTI)数据中提取白质特征来预测个体的大脑年龄。并且,现有的研究方法都是基于体素水平提取各向异性分数(FA)、平均扩散率(MD)、径向扩散率(RD)和轴向扩散率(AD)作为白质特征,这种基于体素水平的方法只能计算得到感兴趣区域的均值,容易造成纤维特性的平均化并且无法准确定位到对脑年龄更加敏感的白质纤维束。
发明内容
为了克服现有基于体素提取白质特征来预测脑年龄的方法存在无法精准定位对年龄变化敏感的纤维束以及会造成纤维特性平均化的不足,本发明提出一种基于纤维束自动识别的脑年龄预测方法。具体地说,本发明首先使用纤维跟踪方法得到全脑纤维束图,用大脑白质图谱的方法进行纤维束的自动识别,再使用BUAN算法沿着一束纤维做基于位置的采样与量化,由此得到的白质特征再通过特征筛选后进行训练得到脑年龄预测模型,并将此模型应用于测试数据评估模型泛化能力。
本发明解决其技术问题所采用的技术方案是:
一种基于纤维束自动识别的脑年龄预测方法,所述方法包括以下步骤:
步骤一:对磁共振弥散张量成像进行图像预处理,过程如下:
使用FSL工具对图像进行降噪、头部运动矫正、涡流矫正、失真校正、EPI矫正操作;
步骤二:追踪全脑纤维束,过程如下:
用双张量的UKF纤维跟踪方法对全脑纤维束进行追踪,得到全脑纤维束图;
步骤三:对全脑纤维束进行纤维束的自动分割和识别,过程如下:
对步骤二得到的全脑纤维束图用大脑白质图谱进行自动分割,该方法可以分割出人工操作不易分割出的小束纤维,得到左右脑各13束纤维以及连接纤维6束;
步骤四:沿纤维束提取张量值FA、MD、RD、AD作为白质特征,过程如下:
使用BUAN算法沿着纤维束方向进行基于位置的等间距采样,将纤维束采样为设定数量段并计算每一段的扩散张量平均值作为白质特征;
步骤五:对步骤四提取的特征进行特征选择,训练得到年龄预测模型,并用测试集进行测试评估模型的泛化能力,分析预测模型中对年龄更敏感的纤维束,过程如下:
由于步骤四提取的特征存在多重共线性的问题,先对特征进行递归特征消除,然后用岭回归训练脑年龄预测模型,根据模型权重分析与年龄变化相关的纤维束。
进一步,所述的步骤三中,对全脑纤维束图进行自动识别的过程为:
首先将每个被试的全脑纤维束图都配准到大脑白质图谱空间中,根据白质分割概括WMPG、被试间分割可行性ISPV和纤维束解剖轮廓一致性TAPC选择将全脑纤维束聚类为800簇,每个被试的全脑纤维束中的每根纤维都被分配到图谱空间中最近的图谱簇,将每个被试的纤维簇分为左半球束、右半球束和连合束,进一步与图谱束对比去除异常纤维后,将800簇中具有相同结构和功能的簇识别为具有解剖学意义的纤维束,如上纵束SLF。
更进一步,所述的步骤四中,沿纤维束提取白质特征的过程为:
首先将步骤三中的图谱簇质心沿着图谱空间中的长度将簇划分为100段得到模板簇,然后对于待分段的簇,计算簇的每根流线上的每个点与模板簇质心之间的欧几里德距离,并将该点分配给最近的质心段;
利用弥散张量矩阵得到三维空间中三个方向的特征值λ1、λ2、λ3,通过以下计算得到每个点的各向异性分数FA、平均扩散率MD、径向扩散率RD和轴向扩散率AD:
AD=λ1
将每簇分为100段后,计算每段上扩散张量值FA、MD、RD、AD的平均值作为脑年龄预测模型的白质特征。
再进一步,所述的步骤五中,脑年龄预测模型的训练与测试过程为:
5.1)特征选择:特征选择的第一步首先计算有解剖学意义的纤维束中的每个特征与实际年龄的皮尔森系数,皮尔森系数为正表明该特征与实际年龄成正相关,皮尔森系数为负表明该特征与实际年龄成负相关,并按照与年龄的相关性计算权重,权重计算公式如下:
其中,n表示一束纤维包含的纤维总数,ri表示该束中的每个白质特征与实际年龄的皮尔森系数;
然后得到每束纤维扩散张量值的加权平均,一共有33束纤维,4个扩散张量值,因此为33*4=132个特征值;由于特征存在维度过高问题会导致模型过拟合,采用递归特征消除方法尝试各种特征组合,选择模型训练效果最好的特征组合作为模型输入;
5.2)特征归一化:处理特征异常值后,将特征进行缩放使特征值分布在0到1之间,并将所有样本的80%划分为训练集,剩下20%为测试集;
5.3)训练模型:将特征选择得到的特征组合作为特征值,训练集样本的实际年龄作为标签输入岭回归模型进行训练;由于数据量较小,采用五折交叉验证,将五次验证集的评价指标做平均,使用网格搜索找到使模型效果最好的模型参数;该回归模型每一项的系数即为特征的权重,系数越大表示该束纤维对年龄更加敏感;
5.4)测试模型:将训练集的最优特征组合输入上述训练得到的模型,得到由扩散指标预测出的脑年龄,将预测脑年龄与实际年龄计算评价指标,包括平均绝对误差MAE、均方根误差RMSE、实际年龄与预测年龄的皮尔森系数,用来衡量该脑年龄预测模型的准确性与有效性。
本发明的有益效果表现在:实现用白质特征对脑年龄进行有效预测,能找出在发育和衰老过程中对年龄变化敏感的纤维束。
附图说明
图1是本发明实施方案的流程示意图。
具体实施方案
为了使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施和附图,对本发明做进一步补充说明。
参照图1,一种基于纤维束自动识别的脑年龄预测方法,可以通过弥散张量成像数据有效预测脑年龄,并找出对年龄敏感的纤维束,判断大脑的健康状况,包括以下步骤:
步骤一:磁共振弥散张量成像图像的预处理,过程如下:
由于在对被试进行磁共振扫描的过程中,会存在由于被试的呼吸、头动及机器的噪声等因素对图像质量产生的影响,因此需要先使用FSL工具对图像进行降噪、头部运动矫正、涡流矫正、失真校正和EPI矫正等操作,以排除涡流、头部运动和磁场失真导致存在潜在伪影的情况。
步骤二:追踪全脑纤维束,过程如下:
UKF纤维跟踪方法建立一个双张量模型,并拟合输入的弥散张量信号来估计纤维连续的方向。选择FA大于0.15的体素作为mask,每个体素设置五个初始种子点,跟踪过程中的步长设为0.3毫米。一旦当前位置的FA值低于0.15或纤维轨迹到达mask的边界,则终止跟踪。每个被试都会生成一个包含约350,000根纤维的全脑纤维束图。
步骤三:对全脑纤维束进行纤维束的自动分割和识别,过程如下:
根据大脑白质图谱将步骤二得到的全脑纤维束图自动分割为具有解剖学意义的纤维束,首先,将每个被试的全脑纤维束图都配准到大脑白质图谱空间中,配准的过程包括非刚性变换和仿射变换;然后,根据白质分割概括WMPG、被试间分割可行性ISPV和纤维束解剖轮廓一致性TAPC选择将全脑纤维束聚类为800簇,每个被试的全脑纤维束中的每根纤维都被分配到图谱空间中最近的图谱簇。
为了提高分割的准确性,使用双边聚类步将纤维同时分割成左右半球纤维和连合束纤维,并且再次判断每根纤维是否属于对应的簇,如果纤维的概率比该簇的平均纤维概率高出两个以上的标准差,则该纤维被移除;最后,将800簇中具有相同结构和功能的簇识别为具有解剖学意义的纤维束,包括左右脑各13束纤维以及连接纤维6束。
步骤四:沿纤维束提取张量值FA、MD、RD、AD作为白质特征,过程如下:
首先将步骤三中的图谱簇质心沿着图谱空间中的长度将簇划分为100段得到模板簇,然后对于待分段的簇,计算簇的每根流线上的每个点与模板簇质心之间的欧几里德距离,并将该点分配给最近的质心段;
利用弥散张量矩阵得到三维空间中三个方向的特征值λ1、λ2、λ3,通过以下计算得到每个点的各向异性分数FA、平均扩散率MD、径向扩散率RD和轴向扩散率AD:
AD=λ1
将每簇分为100段后,计算每段上扩散张量值FA、MD、RD、AD的平均值作为脑年龄预测模型的白质特征。
步骤五:对步骤四提取的特征进行特征选择,训练得到年龄预测模型,并用测试集进行测试评估模型的泛化能力,分析预测模型中对年龄更敏感的纤维束,过程如下:
5.1)特征选择:特征选择的第一步首先计算有解剖学意义的纤维束中的每个特征与实际年龄的皮尔森系数,皮尔森系数为正表明该特征与实际年龄成正相关,皮尔森系数为负表明该特征与实际年龄成负相关,并按照与年龄的相关性计算权重,权重计算公式如下:
其中,n表示一束纤维包含的纤维总数,ri表示该束中的每个白质特征与实际年龄的皮尔森系数;
然后得到每束纤维扩散张量值的加权平均,一共有33束纤维,4个扩散张量值,因此为33*4=132个特征值。
由于特征存在维度过高问题会导致模型过拟合,采用递归特征消除方法尝试各种特征组合,递归特征消除的主要思想为反复构建模型,选出最好的特征,把选出来的特征放到一边,然后在剩余的特征上重复这个过程,直到遍历了所有的特征。在这个过程中被消除的次序就是特征的排序。最后,选择模型训练效果最好的特征组合作为模型输入;
5.2)特征归一化:处理特征异常值后,将特征进行缩放使特征值分布在0到1之间,并将所有样本的80%划分为训练集,剩下20%为测试集;
5.3)训练模型:将特征选择得到的特征组合作为特征值,训练集样本的实际年龄作为标签输入岭回归模型进行训练;由于数据量较小,采用五折交叉验证,将五次验证集的评价指标做平均,使用网格搜索找到使模型效果最好的模型参数;该回归模型每一项的系数即为特征的权重,系数越大表示该束纤维对年龄更加敏感;
5.4)测试模型:将训练集的最优特征组合输入上述训练得到的模型,得到由扩散指标预测出的脑年龄,将预测脑年龄与实际年龄计算评价指标,包括平均绝对误差MAE、均方根误差RMSE、实际年龄与预测年龄的皮尔森系数,用来衡量该脑年龄预测模型的准确性与有效性。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (4)
1.一种基于纤维束自动识别的脑年龄预测方法,其特征在于:所述方法包括以下步骤:
步骤一:对磁共振弥散张量成像进行图像预处理,过程如下:
使用FSL工具对图像进行降噪、头部运动矫正、涡流矫正、失真校正、EPI矫正操作;
步骤二:追踪全脑纤维束,过程如下:
用双张量的UKF纤维跟踪方法对全脑纤维束进行追踪,得到全脑纤维束图。
步骤三:对全脑纤维束进行纤维束的自动分割和识别,过程如下:
对步骤二得到的全脑纤维束图用大脑白质图谱进行自动分割,该方法可以分割出人工操作不易分割出的小束纤维,得到左右脑各13束纤维以及连接纤维6束;
步骤四:沿纤维束提取张量值FA、MD、RD、AD作为白质特征,过程如下:
使用BUAN算法沿着纤维束方向进行基于位置的等间距采样,将纤维束采样为设定数量段并计算每一段的扩散张量平均值作为白质特征;
步骤五:对步骤四提取的特征进行特征选择,训练得到年龄预测模型,并用测试集进行测试评估模型的泛化能力,分析预测模型中对年龄更敏感的纤维束,过程如下:
由于步骤四提取的特征存在多重共线性的问题,先对特征进行递归特征消除,然后用岭回归训练脑年龄预测模型,根据模型权重分析与年龄变化相关的纤维束。
2.如权利要求1所述的一种基于纤维束自动识别的脑年龄预测方法,其特征在于,所述的步骤三中,对全脑纤维束图进行自动识别的过程为:
首先将每个被试的全脑纤维束图都配准到大脑白质图谱空间中,根据白质分割概括WMPG、被试间分割可行性ISPV和纤维束解剖轮廓一致性TAPC选择将全脑纤维束聚类为800簇,每个被试的全脑纤维束中的每根纤维都被分配到图谱空间中最近的图谱簇;并且,将每个被试的纤维簇分为左半球束、右半球束和连合束,进一步与图谱束对比去除异常纤维后,将800簇中具有相同结构和功能的簇识别为具有解剖学意义的纤维束,如上纵束SLF。
4.如权利要求1或2所述的一种基于纤维束自动识别的脑年龄预测方法,其特征在于,所述的步骤五中,脑年龄预测模型的训练与测试过程为:
5.1)特征选择:特征选择的第一步首先计算有解剖学意义的纤维束中的每个特征与实际年龄的皮尔森系数,皮尔森系数为正表明该特征与实际年龄成正相关,皮尔森系数为负表明该特征与实际年龄成负相关,并按照与年龄的相关性计算权重,权重计算公式如下:
其中,n表示一束纤维包含的纤维总数,ri表示该束中的每个白质特征与实际年龄的皮尔森系数;
然后得到每束纤维扩散张量值的加权平均,一共有33束纤维,4个扩散张量值,因此为33*4=132个特征值;由于特征存在维度过高问题会导致模型过拟合,采用递归特征消除方法尝试各种特征组合,选择模型训练效果最好的特征组合作为模型输入;
5.2)特征归一化:处理特征异常值后,将特征进行缩放使特征值分布在0到1之间,并将所有样本的80%划分为训练集,剩下20%为测试集;
5.3)训练模型:将特征选择得到的特征组合作为特征值,训练集样本的实际年龄作为标签输入岭回归模型进行训练,采用五折交叉验证,将五次验证集的评价指标做平均,使用网格搜索找到使模型效果最好的模型参数;该回归模型每一项的系数即为特征的权重,系数越大表示该束纤维对年龄更加敏感;
5.4)测试模型:将训练集的最优特征组合输入上述训练得到的模型,得到由扩散指标预测出的脑年龄,将预测脑年龄与实际年龄计算评价指标,包括平均绝对误差MAE、均方根误差RMSE、实际年龄与预测年龄的皮尔森系数,用来衡量该脑年龄预测模型的准确性与有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210481244.0A CN114847922A (zh) | 2022-05-05 | 2022-05-05 | 一种基于纤维束自动识别的脑年龄预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210481244.0A CN114847922A (zh) | 2022-05-05 | 2022-05-05 | 一种基于纤维束自动识别的脑年龄预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114847922A true CN114847922A (zh) | 2022-08-05 |
Family
ID=82634642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210481244.0A Pending CN114847922A (zh) | 2022-05-05 | 2022-05-05 | 一种基于纤维束自动识别的脑年龄预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114847922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094987A (zh) * | 2023-10-13 | 2023-11-21 | 四川大学 | 一种优化神经调控物理场方向的方法 |
-
2022
- 2022-05-05 CN CN202210481244.0A patent/CN114847922A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094987A (zh) * | 2023-10-13 | 2023-11-21 | 四川大学 | 一种优化神经调控物理场方向的方法 |
CN117094987B (zh) * | 2023-10-13 | 2023-12-22 | 四川大学 | 一种优化神经调控物理场方向的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4025823B2 (ja) | 脳疾患の診断支援方法及び装置 | |
CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN109242860B (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
JP5601378B2 (ja) | 医用画像処理装置 | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
US20110046451A1 (en) | Method and automated system for assisting in the prognosis of alzheimer's disease, and method for training such a system | |
CN113571195A (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
CN111753833A (zh) | 基于fMRI与DTI构建脑网络建模的帕金森辅助识别方法 | |
CN112348785A (zh) | 一种癫痫病灶定位方法及系统 | |
CN115170540A (zh) | 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
Supriyanti et al. | Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
Cárdenes et al. | Analysis of the pyramidal tract in tumor patients using diffusion tensor imaging | |
CN114596306A (zh) | 基于机器学习诊断帕金森疾病的系统 | |
CN109242816B (zh) | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 | |
CN112837807A (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
Dachraoui et al. | Follow up of the multiple Sclerosis Lesion's evolution in brain MRI by automated registration approach | |
CN113283518B (zh) | 一种基于聚类的多模态大脑网络特征选择方法 | |
CN113947577B (zh) | 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质 | |
Shukla et al. | Automated Pipeline Preprocessing Techniques for Alzhiemer Disease Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |